ProteinChat
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)
- Tipo de Organización
- Academia,Industry,Academia
- País
- United States of America, China, United Arab Emirates
- Publicado
- 10 October 2024
- Autores
- Mingjia Huo, Han Guo, Xingyi Cheng, Digvijay Singh, Hamidreza Rahmani, Shen Li, Philipp Gerlof, Trey Ideker, Danielle A. Grotjahn, Elizabeth Villa, Le Song, Pengtao Xie
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Protein function prediction
- Modelo base
- xTrimoPGLM - 1B,Vicuna-13B v0
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 14B
- Datos de entrenamiento
- tokens
"We utilized xTrimoPGLM (27), a state-of-the-art protein language model, as the protein encoder, and Vicuna- 13B (25), fine-tuned from Llama-2 (21), as the LLM of ProteinChat."
Assuming average protein length of 300 tokens (600 is the maximum length), 20 tokens for the prompt and 50 tokens for the answer. 1500000 examples * (300 tokens per protein + 70 prompt tokens) * 0.9 training split =499500000
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómo se estableció
- Hardware
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Likely
- Citas
- 8
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Multi-Modal Large Language Model Enables Protein Function Prediction
- Última actualización
- 1 January 2026
Qué significan los números
Fondo
ProteinChat fue publicado por University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), en el país registrado como United States of America, durante October 2024. Sale de una organización categorizada como academia,Industry,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein function prediction.
Su punto de partida fue un modelo base existente, xTrimoPGLM - 1B,Vicuna-13B v0. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Respuestas
ProteinChat — preguntas comunes
ProteinChat— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein function prediction. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
ProteinChat— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
ProteinChat— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
ProteinChat— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 14B. "We utilized xTrimoPGLM (27), a state-of-the-art protein language model, as the protein encoder, and Vicuna- 13B (25), fine-tuned from Llama-2 (21), as the LLM of ProteinChat.". Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
ProteinChat— ¿Quién lo creó?
Fue publicado por University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), basado en United States of America, una organización categorizada como academia,Industry,Academia.
ProteinChat— ¿cuándo fue lanzado?
Se publicó en October 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.